Révolutionner le cosmos : le Deep Learning dynamise les calculs galactiques

Une nouvelle méthode de simulation des supernovae pourrait faire la lumière sur nos origines cosmiques.

Les supernovae, qui sont des étoiles qui explosent, jouent un rôle central dans la formation et l’évolution des galaxies. Cependant, simuler ces phénomènes avec précision et efficacité constitue un défi de taille. Pour la première fois, une équipe comprenant des chercheurs de l’Université de Tokyo a utilisé l’apprentissage profond pour améliorer les simulations de supernova. Cette avancée accélère les simulations, cruciales pour comprendre la formation et l’évolution des galaxies, ainsi que l’évolution de la chimie qui a conduit à la vie.

Lorsque vous entendez parler d’apprentissage profond, vous pensez peut-être à la dernière application apparue cette semaine pour faire quelque chose d’intelligent avec des images ou générer du texte à l’image d’un humain. L’apprentissage profond est peut-être responsable de certains aspects en coulisses de ces choses, mais il est également largement utilisé dans différents domaines de recherche. Récemment, une équipe lors d’un événement technologique appelé hackathon a appliqué l’apprentissage profond aux prévisions météorologiques. Cela s’est avéré très efficace, ce qui a fait réfléchir Keiya Hirashima, doctorant du département d’astronomie de l’Université de Tokyo.

Les images du haut montrent une vaste zone d’une galaxie simulée. La résolution temporelle est très faible, dans laquelle chaque « étape » de la simulation est d’environ 100 000 ans. Les images du bas montrent la zone spécifique affectée par une explosion de supernova et ont une résolution temporelle plus fine où chaque étape est inférieure à 10 000 ans. Ces régions sont combinées avec la simulation plus générale pour améliorer la précision et l’efficacité globales de la simulation. Crédit : 2023 Hirashima et al., NASA/JPL-Caltech/ESO/R. Hunt/Hubble/L. Calçada CC-BY-ND

« La météo est un phénomène très complexe, mais en fin de compte, elle se résume à des calculs de dynamique des fluides », a déclaré Hirashima. « Je me suis donc demandé si nous pouvions modifier les modèles d’apprentissage profond utilisés pour la prévision météorologique et les appliquer à un autre système fluide, mais qui existe à une échelle bien plus grande et auquel nous n’avons pas d’accès direct : mon domaine de recherche, les explosions de supernova.

Comprendre les supernovae et l’influence galactique

Les supernovae se produisent lorsque des étoiles suffisamment massives brûlent la majeure partie de leur carburant et s’effondrent lors d’énormes explosions. Ils sont si énormes qu’ils peuvent influencer, et influencent effectivement, de vastes zones à l’intérieur de leurs galaxies hôtes. Si une supernova s’était produite il y a quelques centaines d’années à quelques centaines d’années-lumière de la Terre, vous ne lisez peut-être pas cet article en ce moment. Ainsi, mieux nous comprendrons les supernovae, mieux nous pourrons comprendre pourquoi les galaxies sont telles qu’elles sont.

https://youtu.be/qmLxEEnkvZs
Lors d’une simulation de supernova, (à gauche) montre la prédiction par une méthode de simulation actuelle. (à droite) montre la prédiction par 3D-MIM, qui semble assez proche de celle de la méthode leader actuelle, mais son exécution prend beaucoup moins de temps, ce qui permet d’économiser du temps, de l’énergie et des coûts de temps de calcul. Crédit : 2023 Hirashima et al. CC-BY-ND

« Le problème est le temps qu’il faut pour calculer la manière dont les supernovae explosent. Actuellement, de nombreux modèles de galaxies sur de longues périodes simplifient les choses en prétendant que les supernovae explosent de manière parfaitement sphérique, car cela est relativement facile à calculer », a déclaré Hirashima. « Mais en réalité, ils sont assez asymétriques. Certaines régions de l’enveloppe de matériau qui forme la limite de l’explosion sont plus complexes que d’autres. Nous avons appliqué l’apprentissage profond pour déterminer quelles parties de l’explosion nécessitent plus ou moins d’attention lors d’une simulation afin de garantir le meilleur résultat possible. précision, tout en prenant le moins de temps possible. Cette façon de diviser un problème est appelée division hamiltonienne. Notre nouveau modèle, 3D-MIM, peut réduire de 99 % le nombre d’étapes de calcul dans le calcul de 100 000 ans d’évolution d’une supernova. Je pense donc que nous contribuerons également réellement à réduire un goulot d’étranglement.

Applications plus larges du Deep Learning en astrophysique

Bien entendu, le deep learning nécessite une formation approfondie. Hirashima et son équipe ont dû exécuter des centaines de simulations prenant des millions d’heures de temps informatique (les superordinateurs étant hautement parallèles, ce temps serait donc réparti entre les milliers d’éléments informatiques requis). Mais leurs résultats ont prouvé que le jeu en valait la peine.

Ils espèrent désormais appliquer leur méthodologie à d’autres domaines de l’astrophysique ; par exemple, l’évolution galactique est également influencée par les grandes régions de formation d’étoiles. Le 3D-MIM modélise la mort des étoiles et sera peut-être bientôt utilisé pour modéliser également leur naissance. Il pourrait même être utilisé au-delà de l’astrophysique dans d’autres domaines nécessitant des résolutions spatiales et temporelles élevées, tels que les simulations climatiques et sismiques.

Ce travail a été soutenu par les numéros de subvention JSPS KAKENHI 22H01259, 22KJ0157, 20K14532, 21H04499, 21K03614 et 23K03446, ainsi que par les numéros de subvention MEXT JPMXP1020230406 et JPMXP1020200109 (hp200124). KH est soutenu financièrement par la bourse de recherche JSPS pour jeunes scientifiques et les subventions d’aide aux boursiers JSPS (22J23077), la bourse d’études JEES · Mistubishi Corporation en sciences et technologies en 2022 et le programme IIW de l’Université de Tokyo.